Comment le plan de transformation de l'industrie d'IBM tire parti de l'IA, de la 5G et de la collaboration
Les rôles en science des données sont toujours « sexy » mais pas à l’abri des turbulences du marché du travail.
Être data scientist était censé être « le métier le plus sexy du 21e siècle ». La question de savoir si le célèbre aphorisme de la Harvard Business Review de 2012 tient la route est quelque peu subjective, selon la façon dont vous interprétez le terme « sexy ». Cependant, les données relatives aux data scientists, ainsi qu’aux rôles connexes d’ingénierie des données et d’analyste de données, commencent à tirer la sonnette d’alarme.
La partie subjective de l'aphorisme de HBR est de savoir si vous aimez réellement trouver et nettoyer des données, créer et déboguer des pipelines de données et du code d'intégration, ainsi que créer et améliorer des modèles d'apprentissage automatique. Cette liste de tâches, dans cet ordre, est celle sur laquelle les data scientists consacrent la plupart de leur temps.
Certaines personnes sont véritablement attirées par les carrières centrées sur les données par la description de poste ; La croissance de la demande et des salaires attire davantage les autres. Bien que les côtés sombres de la description de poste elle-même ne soient pas inconnus, la partie croissance et salaires n’a pas été beaucoup contestée. Cependant, cela pourrait changer : les postes de data scientist sont toujours en demande mais ne sont pas à l’abri des turbulences du marché.
Signaux mixtes
Au début de l’année 2022, le premier signe que quelque chose pourrait changer est apparu. Comme l’a montré une analyse IEEE Spectrum des données publiées par la société de recrutement en ligne Dice , en 2021, les salaires de l’IA et de l’apprentissage automatique ont chuté, même si, en moyenne, les salaires des techniciens américains ont grimpé de près de 7 %.
Dans l’ensemble, 2021 a été une bonne année pour les professionnels de la technologie aux États-Unis, avec un salaire moyen en hausse de 6,9 % pour atteindre 104 566 $. Cependant, comme le note l’IEEE Spectrum, la concurrence pour l’apprentissage automatique, le traitement du langage naturel et les experts en IA s’est atténuée, les salaires moyens chutant respectivement de 2,1 %, 7,8 % et 8,9 %.
C'est la première fois que cela se produit ces dernières années, alors que les salaires moyens aux États-Unis des ingénieurs logiciels ayant une expertise en apprentissage automatique, par exemple, ont bondi de 22 % en 2019 par rapport à 2018, puis ont encore augmenté de 3,1 % en 2020. Dans le même temps, la demande de postes de data scientist ne montre aucun signe de ralentissement, bien au contraire.
Les plateformes de recrutement de développeurs signalent une forte augmentation de la demande de compétences informatiques liées à la science des données. Le dernier rapport sur les compétences informatiques de la plateforme de sélection et d’entretien des développeurs DevSkiller a enregistré une augmentation de 295 % du nombre de tâches liées à la science des données que les recruteurs fixaient aux candidats dans le processus d’entretien en 2021.
L'enquête 2022 de CodinGame et CoderPad sur l' embauche dans le secteur de la technologie a également identifié la science des données comme une profession pour laquelle la demande dépasse largement l'offre, tout comme les spécialistes DevOps et de l'apprentissage automatique. Par conséquent, note Owen Hughes de ZDNet, les employeurs devront réévaluer les salaires et les avantages sociaux qu'ils offrent à leurs employés s'ils espèrent rester compétitifs.
Le marché de la science des données et de l’IA envoie des signaux contradictoires
De plus, 2021 a vu ce que l’on a appelé la « Grande Démission » ou le « Grand Remaniement » - une période où tout le monde repense à tout, y compris à sa carrière. En théorie, le fait qu’une partie de la main-d’œuvre redéfinisse sa trajectoire et ses objectifs et/ou démissionne devrait augmenter la demande et les salaires - des analyses sur les raisons pour lesquelles les scientifiques des données démissionnent et ce que les employeurs peuvent faire pour les retenir ont commencé à circuler.
Puis sont arrivés les licenciements, notamment des postes de data scientist, d’ingénieur de données et d’analyste de données. Comme le note l'analyse de LinkedIn de la dernière série de licenciements, l'année tumultueuse du secteur technologique a été marquée par des annonces quotidiennes de licenciements, de gels d'embauches et d'offres d'emploi annulées.
Environ 17 000 employés de plus de 70 startups technologiques dans le monde ont été licenciés en mai, soit un bond de 350 % par rapport à avril. Il s’agit du nombre le plus important d’emplois perdus dans le secteur depuis mai 2020, au plus fort de la pandémie. En outre, les géants de la technologie tels que Netflix et PayPal licencient également des emplois, tandis qu’Uber , Lyft, Snap et Meta ont ralenti l’embauche.
Selon les données partagées par le site de suivi des licenciements technologiques Layoffs.fyi, les licenciements varient de 7 % à 33 % de la main-d’œuvre des entreprises suivies. L’analyse des données spécifiques à l’entreprise montre qu’elles incluent également des rôles orientés données.
L’examen des données des licenciements de FinTech Klarna et de la start-up d’assurance PolicyGenius, par exemple, montre que les rôles de data scientist, d’ingénieur de données et d’analyste de données sont affectés aux niveaux junior et senior. Dans les deux entreprises, ces rôles représentent environ 4 % des licenciements.
Des coolies de haute technologie qui se codent eux-mêmes hors de leur travail
Que devons-nous penser de ces signaux contradictoires alors ? La demande pour des tâches liées à la science des données semble être forte, mais les salaires baissent et ces postes ne sont pas non plus à l’abri des licenciements. Chacun de ces signaux a son propre contexte et ses propres implications. Essayons de les décortiquer et de voir ce que leur confluence signifie pour les chercheurs d'emploi et les employeurs.
Comme l’a déclaré Michelle Marian, directrice du marketing de Dice, à IEEE Spectrum, divers facteurs contribuent probablement à la baisse des salaires de l’apprentissage automatique et de l’IA, l’un des facteurs importants étant que de plus en plus de technologues apprennent et maîtrisent ces compétences :
« L’augmentation du bassin de talents au fil du temps peut obliger les employeurs à payer au moins un peu moins, étant donné que les compétences sont plus faciles à trouver. Nous l’avons vu se produire avec une gamme de certifications et d’autres compétences technologiques hautement spécialisées », a déclaré Marian.
Cela semble être une conclusion raisonnable. Cependant, pour la science des données et l’apprentissage automatique, il peut également y avoir autre chose en jeu. Les data scientists et les experts en apprentissage automatique sont non seulement en concurrence les uns avec les autres, mais aussi de plus en plus contre l’automatisation. Comme le note Peter Yuen, gestionnaire de portefeuille quantitatif basé à Hong Kong, les quants ont déjà vu tout cela auparavant.
Encouragé par l’annonce que les meilleurs chercheurs en IA ont obtenu des salaires de l’ordre d’un million de dollars, Yuen écrit que cela « devrait être interprété plus précisément comme la continuation d’une longue tendance de coolies de haute technologie à se décoder eux-mêmes de leurs emplois dans un contexte d’offre mondiale excédentaire de main-d’œuvre qualifiée ».
Si l'on se fie à trois générations d'expérience des quants dans l'automatisation des marchés financiers, écrit Yuen, l'automatisation des praticiens de l'IA dans de nombreux secteurs n'est peut-être qu'à une dizaine d'années. Après cela, ajoute-t-il, un petit groupe de praticiens d’élite de l’IA aura atteint le statut de gestionnaire ou de propriétaire, tandis que les autres seront coincés dans des emplois moyennement rémunérés chargés de surveiller et d’entretenir leurs créations.
Nous n’en sommes peut-être qu’aux premières étapes de ce cycle, comme en témoignent des développements tels que l’AutoML et les bibliothèques de modèles d’apprentissage automatique prêts à l’emploi. Si l’on se fie à l’histoire, alors ce que Yuen décrit se produira probablement aussi, ce qui conduira inévitablement à des questions sur la façon dont les travailleurs déplacés peuvent « gravir les échelons ».
L’éclatement de la bulle de l’IA
Cependant, il est probablement prudent de supposer que les rôles en science des données n'auront pas à trop s'en soucier dans un avenir immédiat. Après tout, un autre fait souvent cité à propos des projets de science des données est que ~80 % d’entre eux échouent encore pour un certain nombre de raisons. L’un des cas les plus médiatisés d’échec de la science des données a été celui de Zillow.
L'entreprise de Zillow s'est fortement appuyée sur l'équipe de science des données pour créer des modèles prédictifs précis pour son service d'achat de maisons. Il s’est avéré que les modèles n’étaient pas aussi précis. En conséquence, l'action de l'entreprise a chuté de plus de 30 % en 5 jours, le PDG a mis beaucoup de blâme sur l'équipe de science des données et 25 % du personnel a été licencié.
La question de savoir si l’équipe de science des données était en faute chez Zillow est sujette à débat. Quant aux licenciements récents, ils devraient probablement être considérés comme faisant partie d’un plus grand retournement de l’économie plutôt que d’un échec des équipes de science des données en soi. Comme l’écrit Kurt Cagle, rédacteur en chef de la communauté Data Science Central, on parle d’un hiver imminent de l’IA, ce qui nous ramène à la période des années 1970 où le financement des entreprises d’IA s’est complètement tari.
M. Cagle estime que même si un hiver de l’IA est peu probable, on peut s’attendre à un automne de l’IA avec un refroidissement d’un champ de capital-risque exagéré dans l’espace. L’hiver de l’IA des années 1970 était en grande partie dû au fait que la technologie n’était pas à la hauteur de la tâche et qu’il n’y avait pas assez de données numérisées pour fonctionner.
L'ère de la bulle Internet pourrait réserver quelques leçons aux rôles actuels en science des données
Aujourd’hui, une puissance de calcul beaucoup plus grande est disponible, et la quantité de données monte en flèche. Cagle soutient que le problème pourrait être que nous approchons des limites des architectures de réseaux neuronaux actuellement utilisées. M. Cagle ajoute qu’une période au cours de laquelle les esprits brillants peuvent se reposer et innover plutôt que de simplement appliquer une pensée établie ferait probablement du bien à l’industrie.
Comme beaucoup d’autres, Cagle souligne les lacunes de l’école de pensée « l’apprentissage profond sera capable de tout faire ». Cette critique semble valable, et l’intégration d’approches qui sont négligées aujourd’hui pourrait stimuler les progrès dans le domaine. Cependant, n'oublions pas que l'aspect technologique des choses n'est pas tout ce qui compte ici.
Peut-être que l’histoire récente peut offrir quelques idées : que peut nous apprendre l’histoire du développement de logiciels et d’Internet ? D’une certaine manière, le point où nous en sommes aujourd’hui n’est pas sans rappeler l’époque de la bulle Internet : disponibilité accrue de capitaux, spéculation excessive, attentes irréalistes et valorisations démesurées. Aujourd’hui, nous nous dirigeons peut-être vers l’éclatement de la bulle de l’IA.
Cela ne signifie pas que les rôles en science des données perdront de leur attrait du jour au lendemain ou que ce qu’ils font est sans valeur. Après tout, les ingénieurs logiciels sont toujours en demande pour tous les progrès et l’automatisation que l’ingénierie logicielle a connus au cours des dernières décennies. Mais cela signifie probablement qu’un recalibrage est nécessaire et que les attentes doivent être gérées en conséquence.